宽带离网用户分析(5) Lasso和Group Lasso

本文介绍了Lasso和Group Lasso在宽带离网用户分析中的应用。Lasso通过L1范数惩罚实现特征选择,促进模型稀疏性和可解释性。Group Lasso则考虑特征组的L2范数,选择更少的特征组,适用于特征间有特定关系的场景。实验表明,Group Lasso在离网用户分析中表现出优于Lasso的预测效果。
摘要由CSDN通过智能技术生成

宽带离网用户分析之Lasso和Group Lasso

Lasso

  Lasso,全称为(The Least Absolute Shrinkage and Selectionator operator),是Tibshirani[1]在1996年提出的稀疏特征选择方法。
   minβ||YXβ||22+λ||β||1 (1)
  其中 XRm×n YRm 分别表示数据矩阵和类标向量, λ0 是正则参数, βRn 是特征选择参数向量。第一项为损失函数项,第二项为罚函数项。
  公式的含义很简单,就是找到所有特征的权重向量 β ,使得我们的(1)式的值最小,不但看出 ||YXβ||2

  • 3
    点赞
  • 25
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值